24. Model building
24. Introduction
이전 장에서는 선형 모델의 작동 방식을 배웠고 모델이 데이터에 대해 무엇을 말하고 있는지 이해할 수 있는 기본 도구를 배웠습니다. 이전 장에서는 시뮬레이션 된 데이터 세트에 중점을 두었습니다.
이 장에서는 실제 데이터에 중점을두고 데이터 이해를 돕기 위해 점진적으로 모델을 구축하는 방법을 보여줍니다.
데이터를 패턴 및 잔차로 분할하는 모델에 대해 생각할 수 있다는 사실을 이용합니다.
시각화를 통해 패턴을 찾은 다음 모델을 사용하여 패턴을 구체적이고 정확하게 만듭니다.
그런 다음 프로세스를 반복하되 이전 응답 변수를 모델의 잔차로 대체합니다.
목표는 데이터의 내재적 지식에서 머리를 양적 모델의 명시적 지식으로 전환하는 것입니다. 이렇게하면 새 도메인에 쉽게 적용 할 수 있고 다른 도메인에서는 쉽게 사용할 수 있습니다.
매우 크고 복잡한 데이터 세트의 경우 많은 작업이 필요합니다. 확실히 대안적인 접근 방식이 있습니다.
더 많은 기계 학습 방식은 단순히 모델의 예측 능력에 초점을 맞추는 것입니다. 이러한 접근 방식은 블랙 박스를 생성하는 경향이 있습니다.
- 모델은 예측을 생성하는 데 실제로 도움이되지만 실제로 이유를 알지 못합니다. 이것은 완전히 합리적인 접근 방식이지만 실제 지식을 모델에 적용하는 것을 어렵게 만듭니다.
그 결과, 펀더멘털이 변함에 따라 모델이 장기간에 걸쳐 계속해서 작동 할 것인가를 평가하는 것이 어려워집니다.
대부분의 실제 모델에서는 이 접근 방식과보다 고전적인 자동화 된 접근 방식을 조합하여 사용할 것을 기대합니다.
멈추어야 할 때를 알기 란 쉽지 않습니다. 당신은 당신의 모델이 충분히 좋은 시점과 추가적인 투자가 성사 될 것 같지 않은 때를 알아 내야합니다.
24.1.1 Prerequisites
library(tidyverse)
library(modelr)
options(na.action = na.warn)
library(nycflights13)
library(lubridate)
24.2 Why are low quality diamonds more expensive?
ggplot(diamonds, aes(cut, price)) + geom_boxplot()

ggplot(diamonds, aes(color, price)) + geom_boxplot()

ggplot(diamonds, aes(clarity, price)) + geom_boxplot()

- 최악의 다이아몬드 색상은 J (약간 노란색)이며 최악의 선명도는 I1 (육안으로 볼 수있는 개재물)입니다.
24.2.1 Price and carat
중요한 교란 변수인 다이아몬드의 무게 (캐럿)가 있기 때문에 품질이 낮은 다이아몬드가 더 높은 가격을 갖는 것처럼 보입니다.
다이아몬드의 무게는 다이아몬드의 가격을 결정하는 가장 중요한 요소이며, 품질이 낮은 다이아몬드는 더 큰 경향이 있습니다.
ggplot(diamonds, aes(carat, price)) +
geom_hex(bins = 50)

우리는 다이아몬드의 다른 속성이 캐럿의 효과를 분리하는 모델을 피팅함으로써 상대적인 가격에 어떻게 영향을 미치는지 쉽게 알 수 있습니다.
하지만 먼저 다이아몬드 데이터 세트를 조작하여 작업하기 쉽도록 두 번 조정하십시오.
캐럿 미만의 다이아몬드에 집중 (데이터의 99.7 %)
캐럿 및 가격 변수를 로그 변환합니다.
diamonds2 <- diamonds %>%
filter(carat <= 2.5) %>%
mutate(lprice = log2(price), lcarat = log2(carat))
ggplot(diamonds2, aes(lcarat, lprice)) +
geom_hex(bins = 50)

mod_diamond <- lm(lprice ~ lcarat, data = diamonds2)
grid <- diamonds2 %>%
data_grid(carat = seq_range(carat, 20)) %>%
mutate(lcarat = log2(carat)) %>%
add_predictions(mod_diamond, "lprice") %>%
mutate(price = 2 ^ lprice)
ggplot(diamonds2, aes(carat, price)) +
geom_hex(bins = 50) +
geom_line(data = grid, colour = "red", size = 1)

다음 모델이 데이터에 대해 알려주는 것을 봅니다. 로그 변환을 실행 취소하여 예측을 역으로 변환하므로 원시 데이터에 예측을 오버레이 할 수 있습니다.
우리 데이터에 대해 흥미로운 것을 알려줍니다. 모델을 믿는다면 큰 다이아몬드는 예상보다 훨씬 저렴합니다.
이것은 아마도 이 데이터 세트의 다이아몬드가 1 만 9 천 달러가 들지 않기 때문일 것입니다.
이제 우리는 강한 선형 패턴을 성공적으로 제거했는지 확인하는 잔차를 볼 수 있습니다.
diamonds2 <- diamonds2 %>%
add_residuals(mod_diamond, "lresid")
ggplot(diamonds2, aes(lcarat, lresid)) +
geom_hex(bins = 50)

- 중요한 것은 이제 가격 대신 잔차를 사용하여 motivating plots을 다시 할 수 있다는 것입니다.
ggplot(diamonds2, aes(cut, lresid)) + geom_boxplot()

ggplot(diamonds2, aes(color, lresid)) + geom_boxplot()

ggplot(diamonds2, aes(clarity, lresid)) + geom_boxplot()

우리는 우리가 기대하는 관계를 봅니다 : 다이아몬드의 품질이 높아질수록 상대적인 가격도 높아집니다.
y 축을 해석하기 위해, 우리는 잔차가 우리에게 말하는 것과 그것들이 어떤 스케일인지 생각할 필요가있다.
24.2.2 A more complicated model
원한다면 모델을 계속 구축하여 관찰된 효과를 모델로 이동시켜 모델을 명시 적으로 만들 수 있습니다.
예를 들어 모델에 색상, 컷 및 선명도를 포함시켜 이러한 3 가지 범주 형 변수의 효과를 명시 할 수 있습니다.
mod_diamond2 <- lm(lprice ~ lcarat + color + cut + clarity, data = diamonds2)
- 이 모델에는 이제 4 개의 예측 변수가 포함되므로 시각화하는 것이 어려워집니다.
다행히도, 그들은 현재 모두 독립되어 있어 4 개의 플롯으로 개별적으로 그릴 수 있습니다.
프로세스를 좀더 쉽게하기 위해, 우리는 data_grid에 .model 인자를 사용할 것입니다
grid <- diamonds2 %>%
data_grid(cut, .model = mod_diamond2) %>%
add_predictions(mod_diamond2)
grid
ggplot(grid, aes(cut, pred)) +
geom_point()

diamonds2 <- diamonds2 %>%
add_residuals(mod_diamond2, "lresid2")
ggplot(diamonds2, aes(lcarat, lresid2)) +
geom_hex(bins = 50)

이 그래프는 상당히 큰 잔차가있는 일부 다이아몬드가 있음을 나타냅니다.
잔차 2는 다이아몬드가 예상했던 가격의 4배라는 것을 나타냅니다.
비정상적인 값을 개별적으로 보는 것이 종종 유용합니다.
diamonds2 %>%
filter(abs(lresid2) > 1) %>%
add_predictions(mod_diamond2) %>%
mutate(pred = round(2 ^ pred)) %>%
select(price, pred, carat:table, x:z) %>%
arrange(price)
여기에 나와 있는 것은 없지만, 이것이 모델에 문제가 있는지 또는 데이터에 오류가 있는지를 고려해 볼 때 시간을 할 가치가 있습니다.
데이터에 실수가 있는 경우 이는 잘못 낮은 가격으로 책정 된 다이아몬드를 구매할 수있는 기회가 될 수 있습니다.
24.2.3 Exercises (생략)
24.3 What affects the number of daily flights?
library(nycflights13)
library(lubridate)
Attaching package: ‘lubridate’
The following objects are masked from ‘package:data.table’:
hour, isoweek, mday,
minute, month,
quarter, second, wday,
week, yday, year
The following object is masked from ‘package:base’:
date
data(flights)
daily <- flights %>%
mutate(date = make_date(year, month, day)) %>%
group_by(date) %>%
summarise(n = n())
daily
ggplot(daily, aes(date, n)) +
geom_line()

24.3.1 Day of week
daily <- daily %>%
mutate(wday = wday(date, label = TRUE))
ggplot(daily, aes(wday, n)) +
geom_boxplot()

대부분의 여행은 비즈니스를 위한 것이므로 주말 항공편 수가 적습니다. 그 효과는 토요일에 특히 두드러지게 나타납니다.
월요일 아침 모임을 위해 일요일에 떠나는 경우도 있지만, 토요일에 가족과 함께 집에있는 것처럼 떠나는 것은 매우 드뭅니다.
이 강력한 패턴을 제거하는 한 가지 방법은 모델을 사용하는 것입니다. 먼저 모델을 맞추고 원본 데이터에 예측치를 겹쳐서 표시합니다.
mod <- lm(n ~ wday, data = daily)
grid <- daily %>%
data_grid(wday) %>%
add_predictions(mod, "n")
ggplot(daily, aes(wday, n)) +
geom_boxplot() +
geom_point(data = grid, colour = "red", size = 4)

daily <- daily %>%
add_residuals(mod)
daily %>%
ggplot(aes(date, resid)) +
geom_ref_line(h = 0) +
geom_line()

y 축의 변화에 주목하십시오. 이제 요일에 예상되는 비행 횟수와의 편차가 표시됩니다.
이 플롯은 많은 요일 효과를 제거 했으므로 남아있는 더 섬세한 패턴을 볼 수 있기 때문에 유용합니다.
우리 모델은 6월부터 실패 할 것으로 보입니다. 우리 모델이 포착하지 않은 강력한 규칙적인 패턴을 여전히 볼 수 있습니다. 매주 한 줄씩 줄을 그리면 그 원인을 쉽게 알 수 있습니다.
ggplot(daily, aes(date, resid, colour = wday)) +
geom_ref_line(h = 0) +
geom_line()

우리 모델은 토요일에 비행 횟수를 정확히 예측하지 못합니다.
여름에는 예상보다 많은 항공편이 있고, 가을에는 더 적은 항공편이 있습니다. 다음 섹션에서이 패턴을 캡처하는 방법을 더 잘 이해할 수 있습니다.
예상보다 훨씬 적은 항공편으로 수 일이 있습니다.
daily %>%
filter(resid < -100)
미국의 공휴일에 익숙하다면 7 월 4 일, 추수 감사절과 크리스마스를 볼 수 있습니다.
공휴일과 일치하지 않는 것 몇 가지가 있습니다. 연습 문제 중 하나에서 작업 할 것입니다.
1 년 동안 장기간에 걸쳐보다 매끄러운 추세가 나타납니다. geom_smooth ()를 사용하여 이러한 추세를 강조 할 수 있습니다.
daily %>%
ggplot(aes(date, resid)) +
geom_ref_line(h = 0) +
geom_line(colour = "grey50") +
geom_smooth(se = FALSE, span = 0.20)

24.3.2 Seasonal Saturday effect
- 먼저 토요일에 비행 횟수를 정확하게 예측하지 못하게 하십시오. 시작하기 좋은 곳은 토요일에 초점을 맞추어 원시 번호로 돌아가는 것입니다.
daily %>%
filter(wday == "Sat") %>%
ggplot(aes(date, n)) +
geom_point() +
geom_line() +
scale_x_date(NULL, date_breaks = "1 month", date_labels = "%b")

(데이터와 보간이 무엇인지 명확하게 하기 위해 점과 선을 모두 사용했습니다.)
나는 이 패턴이 여름 휴가로 인해 일어난다고 생각합니다 : 많은 사람들이 여름에 휴가를 가지며 사람들은 휴가를 위해 토요일 여행을 꺼려하지 않습니다.
이 음모를 보면 여름 휴가가 6 월 초에서 8 월 말까지라고 추측 할 수 있습니다. 2013 년 여름 방학은 6 월 26-9 월 9 일이었습니다.
봄에 가을보다 가을에 토요일 비행이 더 많은 이유는 무엇입니까? 나는 미국인 친구들에게 물었고 추수 감사절과 크리스마스 휴가 때문에 가을 동안 가족 휴가를 계획하는 것이 덜 일반적이라고 제안했다. 우리는 확실히 알 수있는 데이터가 없지만 그럴듯한 작업 가설처럼 보입니다.
대략 세 가지 용어를 포착하는 “term” 변수를 만들고, 우리의 작업을 음모로 확인하십시오.
term <- function(date) {
cut(date,
breaks = ymd(20130101, 20130605, 20130825, 20140101),
labels = c("spring", "summer", "fall")
)
}
daily <- daily %>%
mutate(term = term(date))
daily %>%
filter(wday == "Sat") %>%
ggplot(aes(date, n, colour = term)) +
geom_point(alpha = 1/3) +
geom_line() +
scale_x_date(NULL, date_breaks = "1 month", date_labels = "%b")

daily <- daily %>%
mutate(term = term(date))
daily %>%
ggplot(aes(wday, n, colour = term)) +
geom_boxplot()

용어 전반에 걸쳐 큰 변동이 있는 것처럼 보이므로 각 용어에 대해 요일별 효과를 적용하는 것이 합리적입니다.
이것은 우리의 모델을 향상 시키지만, 우리가 바라는 것만 큼은 아닙니다.
daily <- daily %>%
mutate(term = term(date))
mod1 <- lm(n ~ wday, data = daily)
mod2 <- lm(n ~ wday * term, data = daily)
daily %>%
gather_residuals(without_term = mod1, with_term = mod2) %>%
ggplot(aes(date, resid, colour = model)) +
geom_line(alpha = 0.75)

- 모델의 예측을 원시 데이터에 겹쳐서 문제를 볼 수 있습니다.
grid <- daily %>%
data_grid(wday, term) %>%
add_predictions(mod2, "n")
ggplot(daily, aes(wday, n)) +
geom_boxplot() +
geom_point(data = grid, colour = "red") +
facet_wrap(~ term)

mod3 <- MASS::rlm(n ~ wday * term, data = daily)
daily %>%
add_residuals(mod3, "resid") %>%
ggplot(aes(date, resid)) +
geom_hline(yintercept = 0, size = 2, colour = "white") +
geom_line()

- 장기적인 추세와 긍정적인 것과 부정적인 이상치를 보는 것이 훨씬 쉬워졌습니다.
24.3.3 Computed variables
compute_vars <- function(data) {
data %>%
mutate(
term = term(date),
wday = wday(date, label = TRUE)
)
}
- 또 다른 옵션은 변환을 모델 수식에 직접 넣는 것입니다.
wday2 <- function(x) wday(x, label = TRUE)
mod3 <- lm(n ~ wday2(date) * term(date), data = daily)
두 방법 모두 합리적인 방법입니다. 변형 된 변수를 명시 적으로 만드는 것은 작업을 확인하거나 시각화에 사용하려는 경우 유용합니다.
그러나 여러 열을 반환하는 변형 (예 : 스플라인)을 쉽게 사용할 수 없습니다.
모델 함수에 변형을 포함 시키면 모델이 자체 포함되어 있기 때문에 많은 다른 데이터 세트로 작업 할 때 좀 더 편하게 사용할 수 있습니다.
24.3.4 Time of year: an alternative approach
이전 섹션에서는 모델 개선을 위해 도메인 지식 (미국 학교 용어가 여행에 미치는 영향)을 사용했습니다.
모델에서 명시 적으로 지식을 사용하는 대신 데이터에 더 많은 대화 공간을 제공 할 수 있습니다.
더 유연한 모델을 사용하여 관심있는 패턴을 캡처 할 수 있습니다. 간단한 선형 추세가 적합하지 않으므로 자연스러운 스플라인을 사용하여 일년 내내 매끄러운 곡선을 만들 수 있습니다.
library(splines)
mod <- MASS::rlm(n ~ wday * ns(date, 5), data = daily)
daily %>%
data_grid(wday, date = seq_range(date, n = 13)) %>%
add_predictions(mod) %>%
ggplot(aes(date, pred, colour = wday)) +
geom_line() +
geom_point()

- 우리는 토요일 비행 횟수에 강한 패턴을 보았습니다. 우리는 원시 데이터에서 그 패턴을 보았기 때문에 안심할 수 있습니다. 다른 접근법에서 같은 신호를 얻으면 좋은 신호입니다.
24.3.5 Exercises (생략)
24.4 Learning more about models
우리는 모델링의 절대적인 면만 썼지만, 사용자가 자신의 데이터 분석을 향상시키는 데 사용할 수있는 단순하지만 일반적인 목적의 도구를 얻었기를 바랍니다. 간단하게 시작하는 것이 좋습니다!
이전에 보았 듯이 매우 단순한 모델조차도 변수간의 상호 작용을 알아내는 능력에 큰 차이를 만들 수 있습니다.
이 모델링 챕터는 나머지 책보다 훨씬 더 독창적입니다.
나는 다소 다른 관점에서 대부분의 다른 관점으로 모델링에 접근하며, 그것에 대해 상대적으로 공간이 거의 없다. 모델링은 실제로 독자적으로 책을받을 자격이 있으므로,이 세 권의 책 중 적어도 하나를 읽는 것이 좋습니다.
Statistical Modeling: A Fresh Approach by Danny Kaplan, http://www.mosaic-web.org/go/StatisticalModeling/.
An Introduction to Statistical Learning by Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, http://www-bcf.usc.edu/~gareth/ISL/
Applied Predictive Modeling by Max Kuhn and Kjell Johnson, http://appliedpredictivemodeling.com
25. Many models
25.1 Introduction
이 장에서는 많은 수의 모델을 쉽게 사용할 수 있도록 도와주는 세 가지 강력한 아이디어를 학습합니다.
많은 간단한 모델을 사용하여 복잡한 데이터 세트를 더 잘 이해합니다.
list-columns를 사용하여 임의의 데이터 구조를 데이터 프레임에 저장합니다. 예를 들어 선형 모델을 포함하는 열을 가질 수 있습니다.
David Robinson의 broom 패키지를 사용하여 모델을 깔끔한 데이터로 변환합니다. 많은 양의 모델로 작업하기위한 강력한 기술입니다. 일단 깔끔한 데이터가 있으면 이전에 배운 모든 기술을 적용 할 수 있기 때문입니다.
우리는 전세계의 평균 수명에 관한 데이터를 사용하여 동기 부여의 예제로 뛰어들 것으로 시작합니다.
작은 데이터 세트이지만 시각화를 향상시키는 데 모델링이 얼마나 중요한지 보여줍니다.
우리는 많은 수의 간단한 모델을 사용하여 가장 강력한 신호를 분할하여 남아있는 더 약한 신호를 볼 수 있습니다.
모델 요약을 통해 우리가 특이 치와 비정상적인 경향을 파악하는 데 도움을 줄 수있는 방법도 살펴 봅니다.
다음 섹션에서는 개별 기술에 대해 자세히 설명합니다.
목록 열 데이터 구조 및 데이터 프레임에 목록을 넣는 것이 타당한 이유에 대해 자세히 배웁니다.
목록 열 작성에서 목록 열을 작성하는 세 가지 주요 방법을 학습합니다.
목록 열을 단순화 할 때 목록 열을 일반 원자 벡터 (또는 원자 벡터 집합)로 다시 변환하여보다 쉽게 작업 할 수 있도록하는 방법을 배웁니다.
broom로 깔끔한 데이터를 만들 때, broom이제공하는 모든 도구 세트에 대해 배우고 다른 유형의 데이터 구조에 어떻게 적용 할 수 있는지 살펴 봅니다.
이 장은 다소 포부가 있습니다.이 책이 R에 대한 첫 번째 소개 인 경우 이 장은 어려울 것입니다. 모델링, 데이터 구조 및 반복에 대한 아이디어를 깊이 내면화해야합니다.
당신이 그것을 얻지 못한다면 걱정하지 마십시오. 단지 몇 달 동안이 장을 제쳐두고 머리를 펴고 싶을 때 다시 오십시오.
25.1.1 Prerequisites
- 많은 모델로 작업하는 것은 모델링을 용이하게하기 위해 tidyverse (데이터 탐색, 논쟁 및 프로그래밍) 및 modelr 패키지의 많은 패키지를 필요로합니다.
library(modelr)
library(tidyverse)
25.2 gapminder
많은 간단한 모델의 힘을 유도하기 위해 “gapminder”데이터를 살펴볼 것입니다.
이 데이터는 스웨덴의 의사이자 통계 학자 인 Hans Rosling에 의해 대중화되었습니다. 너는 그 사람에 대해 들어 본 적이 없다면, 지금 당장이 장을 읽지 말고 그의 비디오를 보아라.
그는 환상적인 데이터 발표자이며 데이터를 사용하여 매력적인 이야기를 표현하는 방법을 보여줍니다. 시작하기 좋은 곳은 BBC와 공동으로 촬영 한 짧은 동영상입니다. https://www.youtube.com/watch?v=jbkSRLYSojo.
gapminder 데이터는 기대 수명과 GDP와 같은 통계를보고 시간 경과에 따른 국가의 진행을 요약합니다. gapminder 패키지를 만든 Jenny Bryan 덕분에 데이터는 R에서 쉽게 액세스 할 수 있습니다.
library(gapminder)
gapminder
- 이 사례 연구에서 우리는 “각 국가 (국가)에 대한 기대 수명 (lifeExp)이 시간에 따라 어떻게 변하는가?”라는 질문에 답하기 위해 세 가지 변수에만 초점을 맞출 것입니다. 시작하기 좋은 곳은 줄거리입니다.
gapminder %>%
ggplot(aes(year, lifeExp, group = country)) +
geom_line(alpha = 1/3)

이것은 작은 데이터 세트입니다. 단지 1,700 개의 관측치와 3 개의 변수 만 있습니다.
- 그러나 계속 진행되는 것을 보기가 여전히 어렵습니다! 전반적으로 기대 수명이 꾸준히 개선되고있는 것처럼 보입니다.
그러나 자세히 살펴보면 이 패턴을 따르지 않는 국가가 있음을 알 수 있습니다. 우리는 어떻게 이들 국가를보다 쉽게 볼 수 있습니까?
한 가지 방법은 지난 장에서와 동일한 접근법을 사용하는 것입니다.
더 세밀한 추세를 보지 못하게하는 강력한 신호 (전반적인 선형 성장)가 있습니다. 우리는 선형 추세를 가진 모델을 피팅함으로써 이러한 요소들을 구분할 것입니다. 이 모델은 시간이 지남에 따라 꾸준히 성장하고 나머지는 남아있는 것을 보여줍니다.
당신은 이미 우리가 하나의 국가를 가졌다면 그것을하는 법을 알고 있습니다
nz <- filter(gapminder, country == "New Zealand")
nz %>%
ggplot(aes(year, lifeExp)) +
geom_line() +
ggtitle("Full data = ")

nz_mod <- lm(lifeExp ~ year, data = nz)
nz %>%
add_predictions(nz_mod) %>%
ggplot(aes(year, pred)) +
geom_line() +
ggtitle("Linear trend + ")

nz %>%
add_residuals(nz_mod) %>%
ggplot(aes(year, resid)) +
geom_hline(yintercept = 0, colour = "white", size = 3) +
geom_line() +
ggtitle("Remaining pattern")

25.2.1 Nested data
이 코드를 여러 번 복사하여 붙여 넣는 것을 상상해보십시오. 그러나 당신은 이미 더 나은 방법을 배웠습니다!
함수로 공통 코드를 추출하고 purrr의 map 함수를 사용하여 반복합니다. 이 문제는 이전에 본 것과 약간 다르게 구성됩니다.
각 변수에 대해 액션을 반복하는 대신, 행의 하위 집합 인 각 국가에 대해 액션을 반복합니다. 그렇게하기 위해서는 새로운 데이터 구조 인 중첩 된 데이터 프레임이 필요합니다.
중첩 된 데이터 프레임을 만들려면 그룹화 된 데이터 프레임으로 시작하여 “중첩”합니다.
by_country <- gapminder %>%
group_by(country, continent) %>%
nest()
by_country
(나는 대륙과 국가를 구분하여 조금씩 부정하고있다. 주어진 국가, 대륙은 고정되어 있으므로 더 이상 그룹을 추가하지 않지만 추가 변수를 타고 쉽게 탈 수있다.)
이렇게하면 그룹당 하나의 행 (국가 별)과 약간 특이한 열 (데이터)이있는 데이터 프레임이 만들어집니다.
데이터는 데이터 프레임 (또는 정확한 것)의 목록입니다. 이것은 미친 아이디어처럼 보입니다.
우리는 다른 데이터 프레임의 목록 인 열이있는 데이터 프레임을 가지고 있습니다!
나는 이것이 왜 좋은 생각이라고 생각하는지 곧 설명 할 것이다.
데이터 열은 다소 복잡하기 때문에 보기가 까다 롭습니다. 우리는 여전히 이러한 개체를 탐색하는 데 유용한 도구를 사용하고 있습니다.
불행히도 str ()을 사용하는 것은 권장하지 않습니다. 왜냐하면 종종 매우 긴 출력을 생성하기 때문입니다.
그러나 데이터 열에서 단일 요소를 뽑으면 해당 국가 (이 경우 아프가니스탄)의 모든 데이터가 포함되어 있음을 알 수 있습니다.
by_country$data[[1]]
표준 그룹화 된 데이터 프레임과 중첩 된 데이터 프레임의 차이점에 유의하십시오.
그룹화 된 데이터 프레임에서 각 행은 관찰입니다. 중첩 된 데이터 프레임에서 각 행은 그룹입니다.
중첩 된 데이터 세트에 대해 생각해 볼 수있는 또 다른 방법은 이제 메타 뷰를 얻는 것입니다.
하나의 시점이 아닌 국가의 전체 시간 코스를 나타내는 행입니다.
25.2.2 List-columns
country_model <- function(df) {
lm(lifeExp ~ year, data = df)
}
models <- map(by_country$data, country_model)
그러나 모델 목록을 자유롭게 떠 다니는 개체로 남겨두기보다는 by_country 데이터 프레임에 열로 저장하는 것이 더 좋습니다.
관련 객체를 열에 저장하는 것은 데이터 프레임의 핵심 부분이며 왜 목록 열이 그렇게 좋은 생각인지 생각합니다.
이 국가들과 일하는 과정에서 우리는 국가마다 요소가 하나씩있는 많은 목록을 갖게 될 것입니다.
그렇다면 이 모든 것을 하나의 데이터 프레임에 모두 저장하지 않는 이유는 무엇입니까?
다시 말해 전역 환경에서 새 객체를 만드는 대신 by_country 데이터 프레임에 새 변수를 만들 것입니다. dplyr :: mutate ()에 대한 작업입니다.
by_country <- by_country %>%
mutate(model = map(data, country_model))
by_country
by_country %>%
filter(continent == "Europe")
by_country %>%
arrange(continent, country)
25.2.3 Unnesting
by_country <- by_country %>%
mutate(
resids = map2(data, model, add_residuals)
)
by_country
그러나 데이터 프레임 목록을 어떻게 그릴 수 있습니까?
그 질문에 답하기 위해 고군분투하는 대신, 데이터 프레임 목록을 일반 데이터 프레임으로 돌려 보겠습니다.
이전에는 일반 데이터 프레임을 중첩 데이터 프레임으로 바꾸기 위해 nest ()를 사용했으며 이제는 unnest ()와 반대의 작업을 수행합니다.
resids <- unnest(by_country, resids)
resids
resids %>%
ggplot(aes(year, resid)) +
geom_line(aes(group = country), alpha = 1 / 3) +
geom_smooth(se = FALSE)

#> `geom_smooth()` using method = 'gam'
- 대륙 별 facetting은 특히 드러납니다 :
resids %>%
ggplot(aes(year, resid, group = country)) +
geom_line(alpha = 1 / 3) +
facet_wrap(~continent)

25.2.4 Model quality
모델에서 잔차를 보는 대신 모델 품질에 대한 일반적인 측정을 볼 수 있습니다.
이전 장에서 몇 가지 구체적인 측정 방법을 배웠습니다. 여기에서는 broom 패키지를 사용하는 다른 접근 방법을 보여줍니다.
broom 꾸러미는 모델을 깔끔한 데이터로 바꾸기위한 일반적인 기능 세트를 제공합니다.
여기서는 broom :: glance ()를 사용하여 일부 모델 품질 메트릭을 추출합니다.
모델에 적용하면 단일 행이있는 데이터 프레임이 생성됩니다.
broom::glance(nz_mod)
by_country %>%
mutate(glance = map(model, broom::glance)) %>%
unnest(glance)
- 여전히 모든 목록 열을 포함하기 때문에 우리가 원하는 결과물이 아닙니다. unnest ()가 단일 행 데이터 프레임에서 작동 할 때의 기본 동작입니다. 이 열을 억제하려면 .drop = TRUE를 사용합니다.
glance <- by_country %>%
mutate(glance = map(model, broom::glance)) %>%
unnest(glance, .drop = TRUE)
glance
glance %>%
arrange(r.squared)
glance %>%
ggplot(aes(continent, r.squared)) +
geom_jitter(width = 0.5)

- We could pull out the countries with particularly bad R2 and plot the data:
bad_fit <- filter(glance, r.squared < 0.25)
gapminder %>%
semi_join(bad_fit, by = "country") %>%
ggplot(aes(year, lifeExp, colour = country)) +
geom_line()

- 우리는 HIV / AIDS 전염병과 르완다 대량 학살의 비극이라는 두 가지 주요 효과를 여기에서 보았습니다.
25.2.5 Exercises (생략)
25.3 List-columns
이제는 여러 모델을 관리하기 위한 기본 워크 플로를 보았으므로 몇 가지 세부 사항으로 돌아가 보겠습니다.
이 섹션에서는 목록 열 데이터 구조에 대해 좀 더 자세히 살펴 보겠습니다.
최근에 나는 목록 열에 대한 아이디어를 정말로 높이 평가했습니다. 목록 - 열은 데이터 프레임의 정의에 내포되어 있습니다.
데이터 프레임은 동일한 길이 벡터의 명명 된 목록입니다.
목록은 벡터이므로 목록을 데이터 프레임의 열로 사용하는 것이 항상 올바른 방법입니다.
그러나 기본 R은 목록 열을 쉽게 만들 수 없으며 data.frame ()은 목록을 열 목록으로 처리합니다.
data.frame(x = list(1:3, 3:5))
data.frame(
x = I(list(1:3, 3:5)),
y = c("1, 2", "3, 4, 5")
)
- Tibble은 lazier (tibble ()이 입력을 수정하지 않음) 및 더 나은 인쇄 방법을 제공하여이 문제를 완화합니다.
tibble(
x = list(1:3, 3:5),
y = c("1, 2", "3, 4, 5")
)
tribble(
~x, ~y,
1:3, "1, 2",
3:5, "3, 4, 5"
)
목록 - 열은 종종 중간 데이터 구조로 가장 유용합니다.
대부분의 R 함수는 원자 벡터 또는 데이터 프레임에서 작동하기 때문에 직접 작업하기가 어렵지만 관련 항목을 데이터 프레임에 유지하는 이점은 약간의 번거 로움이 따릅니다.
일반적으로 효과적인 목록 - 열 파이프 라인의 세 부분이 있습니다.
list-columns 만들기에 설명 된 것처럼 nest (), summarize () + list () 또는 mutate () + map 함수 중 하나를 사용하여 list-column을 만듭니다.
map (), map2 () 또는 pmap ()을 사용하여 기존 목록 열을 변형하여 다른 중간 목록 열을 작성합니다.
예를 들어, 위의 사례 연구에서 데이터 프레임의 목록 - 열을 변형하여 모델의 목록 - 열을 만들었습니다.
목록 열 단순화에서 설명한대로 목록 열을 데이터 프레임 또는 원자 벡터로 다시 단순화합니다.
25.4 Creating list-columns
일반적으로 tibble ()을 사용하여 목록 열을 만들지 않습니다.
대신 다음 세 가지 방법 중 하나를 사용하여 일반 열에서 생성합니다.
tidyr :: nest ()를 사용하여 그룹화 된 데이터 프레임을 데이터 프레임 목록 - 열이있는 중첩 데이터 프레임으로 변환합니다.
mutate () 및 벡터화 된 함수를 사용하여 목록을 반환합니다.
여러 결과를 반환하는 summarize () 및 요약 함수.
또는 tibble :: enframe ()을 사용하여 명명 된 목록에서 생성 할 수도 있습니다.
일반적으로 목록 열을 만들 때 동질성인지 확인해야합니다. 각 요소에는 동일한 유형의 것이 포함되어야합니다.
이것이 사실인지 확인하는 검사는 없지만, purrr을 사용하고 타입 안정 함수에 대해 배운 것을 기억한다면, 자연스럽게 발견되어야합니다.
25.4.1 With nesting
nest ()는 데이터 프레임의 목록 열이있는 데이터 프레임 인 중첩 데이터 프레임을 만듭니다.
중첩 된 데이터 프레임에서 각 행은 메타 관측입니다. 다른 열은 관측을 정의하는 변수 (위의 국가 및 대륙과 같은)를 제공하고 데이터 프레임의 목록 열은 메타 관측을 구성하는 개별 관측을 제공합니다.
nest ()를 사용하는 두 가지 방법이 있습니다.
지금까지 그룹화 된 데이터 프레임과 함께 사용하는 방법을 살펴 보았습니다. 그룹화 된 데이터 프레임에 적용되면 nest ()는 그룹화 열을 그대로 유지하고 그 외 모든 항목을 list-column에 묶습니다.
gapminder %>%
group_by(country, continent) %>%
nest()
- 또한 그룹화되지 않은 데이터 프레임에이 열을 사용하여 중첩 할 열을 지정할 수 있습니다.
gapminder %>%
nest(year:gdpPercap)
25.4.2 From vectorised functions
유용한 함수 중 일부는 원자 벡터를 사용하여 목록을 반환합니다.
예를 들어, 문자열에서 문자 벡터를 취하고 문자 벡터 목록을 반환하는 stringr :: str_split ()에 대해 배웠습니다.
mutate 내부에서 이를 사용하면 list-column을 얻을 수 있습니다.
df <- tribble(
~x1,
"a,b,c",
"d,e,f,g"
)
df %>%
mutate(x2 = stringr::str_split(x1, ","))
df %>%
mutate(x2 = stringr::str_split(x1, ",")) %>%
unnest()
(이 패턴을 많이 사용하는 경우,이 공통 패턴을 감싸는 래퍼 인 tidyr : separate_rows ()를 확인하십시오.
이 패턴의 다른 예는 purrr에서 map (), map2 (), pmap ()을 사용하는 것입니다. 예를 들어, 다른 함수를 호출하여 마지막 예제를 가져 와서 mutate ()를 사용하도록 다시 작성할 수 있습니다.
sim <- tribble(
~f, ~params,
"runif", list(min = -1, max = -1),
"rnorm", list(sd = 5),
"rpois", list(lambda = 10)
)
sim %>%
mutate(sims = invoke_map(f, params, n = 10))
25.4.3 From multivalued summaries
summarize ()의 한 가지 제한 사항은 단일 값을 리턴하는 요약 함수에서만 작동한다는 것입니다.
즉, 임의의 길이의 벡터를 리턴하는 quantile ()과 같은 함수와 함께 사용할 수 없다는 것을 의미합니다.
mtcars %>%
group_by(cyl) %>%
summarise(q = quantile(mpg))
- 그러나 목록에 결과를 래핑 할 수는 있습니다. 이것은 각 요약이 이제 길이 1의 목록 (벡터)이므로 summarize ()의 계약을 따릅니다.
mtcars %>%
group_by(cyl) %>%
summarise(q = list(quantile(mpg)))
- 불충분 한 결과를 얻으려면 다음과 같은 가능성을 포착해야합니다.
probs <- c(0.01, 0.25, 0.5, 0.75, 0.99)
mtcars %>%
group_by(cyl) %>%
summarise(p = list(probs), q = list(quantile(mpg, probs))) %>%
unnest()
25.4.4 From a named list
목록 열이있는 데이터 프레임은 일반적인 문제에 대한 해결책을 제공합니다.
목록의 내용과 해당 요소를 반복 할 경우 어떻게합니까? 모든 것을 하나의 객체로 묶는 대신 데이터 프레임을 만드는 것이 더 쉽습니다.
한 열에는 요소가 포함될 수 있고 한 열에는 목록이 포함될 수 있습니다.
목록에서 그러한 데이터 프레임을 생성하는 쉬운 방법은 tibble :: enframe ()입니다.
x <- list(
a = 1:5,
b = 3:4,
c = 5:6
)
df <- enframe(x)
df
df %>%
mutate(
smry = map2_chr(name, value, ~ stringr::str_c(.x, ": ", .y[1]))
)
25.4.5 Exercises (생략)
25.5 Simplifying list-columns
이 책에서 배웠던 데이터 조작 및 시각화 기술을 적용하려면 list-column을 일반 열 (원자 벡터) 또는 열 집합으로 다시 단순화해야합니다.
더 간단한 구조로 다시 축소하기 위해 사용하는 기술은 요소 당 하나의 값 또는 여러 값 중 원하는 값에 따라 다릅니다.
단일 값을 원할 경우 map_lgl (), map_int (), map_dbl () 및 map_chr ()에 mutate ()를 사용하여 원자 벡터를 만듭니다.
많은 값을 원하면 unnest ()를 사용하여 목록 열을 일반 열로 다시 변환하고 필요한만큼 행을 반복하십시오.
25.5.1 List to vector
- 목록 열을 원자 벡터로 줄일 수 있으면 일반 열이됩니다. 예를 들어, 타입과 길이를 가진 객체를 항상 요약 할 수 있으므로,이 코드는 여러분이 가지고있는 list-column의 종류에 관계없이 작동합니다 :
df <- tribble(
~x,
letters[1:5],
1:3,
runif(5)
)
df %>% mutate(
type = map_chr(x, typeof),
length = map_int(x, length)
)
이것은 기본 tbl 인쇄 방법에서 얻은 기본 정보와 동일하지만 필터링을 위해 사용할 수 있습니다.
이기종 목록을 가지고 있고 그 부분을 걸러 내고 싶다면 유용한 기법입니다.
지도 _ * () 단축키를 잊지 마세요. map_chr (x, “apple”)을 사용하여 x의 각 요소에 대해 apple에 저장된 문자열을 추출 할 수 있습니다.
중첩 된 목록을 일반 열로 끌어 올 때 유용합니다. null를 반환하는 대신 요소가 누락 된 경우 사용할 값을 제공하려면 .null 인수를 사용하십시오.
df <- tribble(
~x,
list(a = 1, b = 2),
list(a = 2, c = 4)
)
df %>% mutate(
a = map_dbl(x, "a"),
b = map_dbl(x, "b", .null = NA_real_)
)
25.5.2 Unnesting
- unnest ()는 list-column의 각 요소에 대해 한 번씩 일반 열을 반복하여 작동합니다. 예를 들어, 다음의 아주 간단한 예제에서 첫 번째 행을 4 번 반복합니다 (y의 첫 번째 요소는 길이가 4이므로). 두 번째 행은 한 번만 반복합니다.
tibble(x = 1:2, y = list(1:4, 1)) %>% unnest(y)
- 즉, 다른 수의 요소가 포함 된 두 개의 열을 동시에 중첩 해제 할 수 없습니다.
df1 <- tribble(
~x, ~y, ~z,
1, c("a", "b"), 1:2,
2, "c", 3
)
df1
df1 %>% unnest(y, z)
df2 <- tribble(
~x, ~y, ~z,
1, "a", 1:2,
2, c("b", "c"), 3
)
df2
- 데이터 프레임의 목록 열을 괄호에 넣을 때도 동일한 원칙이 적용됩니다. 각 행의 모든 데이터 프레임이 같은 수의 행을 가진 한 여러 list-col을 중첩 할 수 있습니다.
25.5.3 Exercises (생략)
25.6 Making tidy data with broom
broom 패키지는 모델을 깔끔한 데이터 프레임으로 바꾸기위한 세 가지 일반적인 도구를 제공합니다.
broom :: glance (model) 각 모델에 대한 행을 반환합니다. 각 열은 모델 요약을 제공합니다. 모델 요약 또는 모델 복잡성 또는 둘의 조합입니다.
broom :: tidy (model) 모델의 각 계수에 대한 행을 반환합니다. 각 열은 추정치 또는 그 변동성에 대한 정보를 제공합니다.
broom :: augment (model, data)는 데이터의 각 행에 대해 행을 반환하고 잔여와 같은 추가 값을 추가하며 통계에 영향을 줍니다.
---
title: "R for Data Science - Model Building / Many Models"
output: html_notebook
---

## 24. Model building

### 24. Introduction
- 이전 장에서는 선형 모델의 작동 방식을 배웠고 모델이 데이터에 대해 무엇을 말하고 있는지 이해할 수 있는 기본 도구를 배웠습니다. 이전 장에서는 시뮬레이션 된 데이터 세트에 중점을 두었습니다. 

- 이 장에서는 실제 데이터에 중점을두고 데이터 이해를 돕기 위해 점진적으로 모델을 구축하는 방법을 보여줍니다.

- 데이터를 패턴 및 잔차로 분할하는 모델에 대해 생각할 수 있다는 사실을 이용합니다. 

- 시각화를 통해 패턴을 찾은 다음 모델을 사용하여 패턴을 구체적이고 정확하게 만듭니다. 

- 그런 다음 프로세스를 반복하되 이전 응답 변수를 모델의 잔차로 대체합니다. 

- 목표는 데이터의 내재적 지식에서 머리를 양적 모델의 명시적 지식으로 전환하는 것입니다. 이렇게하면 새 도메인에 쉽게 적용 할 수 있고 다른 도메인에서는 쉽게 사용할 수 있습니다.

- 매우 크고 복잡한 데이터 세트의 경우 많은 작업이 필요합니다. 확실히 대안적인 접근 방식이 있습니다. 

- 더 많은 기계 학습 방식은 단순히 모델의 예측 능력에 초점을 맞추는 것입니다. 이러한 접근 방식은 블랙 박스를 생성하는 경향이 있습니다. 

- 모델은 예측을 생성하는 데 실제로 도움이되지만 실제로 이유를 알지 못합니다. 이것은 완전히 합리적인 접근 방식이지만 실제 지식을 모델에 적용하는 것을 어렵게 만듭니다. 
- 그 결과, 펀더멘털이 변함에 따라 모델이 장기간에 걸쳐 계속해서 작동 할 것인가를 평가하는 것이 어려워집니다. 

- 대부분의 실제 모델에서는 이 접근 방식과보다 고전적인 자동화 된 접근 방식을 조합하여 사용할 것을 기대합니다.

- 멈추어야 할 때를 알기 란 쉽지 않습니다. 당신은 당신의 모델이 충분히 좋은 시점과 추가적인 투자가 성사 될 것 같지 않은 때를 알아 내야합니다. 

### 24.1.1 Prerequisites

- 이전 장에서 사용한 도구와 동일한 도구를 사용하지만 실제 데이터 세트 (ggplot2의 다이아몬드 및 nycflights13의 항공편)를 추가합니다. 

- 또한 항공편의 날짜 / 시간을 사용하려면 lubridate가 필요합니다.

```{r}
library(tidyverse)
library(modelr)
options(na.action = na.warn)

library(nycflights13)
library(lubridate)
```


### 24.2 Why are low quality diamonds more expensive?

- 이전 장에서 우리는 다이아몬드의 품질과 그 가격 사이의 놀라운 관계를 보았습니다 

- 품질이 낮은 다이아몬드 (빈약 한 컷, 나쁜 색상 및 열등한 선명도)는 가격이 높습니다.

```{r}
ggplot(diamonds, aes(cut, price)) + geom_boxplot()
ggplot(diamonds, aes(color, price)) + geom_boxplot()
ggplot(diamonds, aes(clarity, price)) + geom_boxplot()
```

- 최악의 다이아몬드 색상은 J (약간 노란색)이며 최악의 선명도는 I1 (육안으로 볼 수있는 개재물)입니다.

### 24.2.1 Price and carat
- 중요한 교란 변수인 다이아몬드의 무게 (캐럿)가 있기 때문에 품질이 낮은 다이아몬드가 더 높은 가격을 갖는 것처럼 보입니다. 

- 다이아몬드의 무게는 다이아몬드의 가격을 결정하는 가장 중요한 요소이며, 품질이 낮은 다이아몬드는 더 큰 경향이 있습니다.

```{r}
ggplot(diamonds, aes(carat, price)) + 
  geom_hex(bins = 50)
```

- 우리는 다이아몬드의 다른 속성이 캐럿의 효과를 분리하는 모델을 피팅함으로써 상대적인 가격에 어떻게 영향을 미치는지 쉽게 알 수 있습니다. 

- 하지만 먼저 다이아몬드 데이터 세트를 조작하여 작업하기 쉽도록 두 번 조정하십시오.

- 캐럿 미만의 다이아몬드에 집중 (데이터의 99.7 %)

- 캐럿 및 가격 변수를 로그 변환합니다.

```{r}
diamonds2 <- diamonds %>% 
  filter(carat <= 2.5) %>% 
  mutate(lprice = log2(price), lcarat = log2(carat))

ggplot(diamonds2, aes(lcarat, lprice)) + 
  geom_hex(bins = 50)
```

- 로그 변환은 패턴을 선형으로 만들고 선형 패턴을 사용하기 쉽기 때문에 특히 유용합니다. 

- 다음 단계를 밟아 강렬한 선형 패턴을 제거해 봅시다. 먼저 모델을 피팅하여 패턴을 명시 적으로 만듭니다.

```{r}
mod_diamond <- lm(lprice ~ lcarat, data = diamonds2)

grid <- diamonds2 %>% 
  data_grid(carat = seq_range(carat, 20)) %>% 
  mutate(lcarat = log2(carat)) %>% 
  add_predictions(mod_diamond, "lprice") %>% 
  mutate(price = 2 ^ lprice)

ggplot(diamonds2, aes(carat, price)) + 
  geom_hex(bins = 50) + 
  geom_line(data = grid, colour = "red", size = 1)
```

- 다음 모델이 데이터에 대해 알려주는 것을 봅니다. 로그 변환을 실행 취소하여 예측을 역으로 변환하므로 원시 데이터에 예측을 오버레이 할 수 있습니다.

- 우리 데이터에 대해 흥미로운 것을 알려줍니다. 모델을 믿는다면 큰 다이아몬드는 예상보다 훨씬 저렴합니다. 

- 이것은 아마도 이 데이터 세트의 다이아몬드가 1 만 9 천 달러가 들지 않기 때문일 것입니다.

- 이제 우리는 강한 선형 패턴을 성공적으로 제거했는지 확인하는 잔차를 볼 수 있습니다.

```{r}
diamonds2 <- diamonds2 %>% 
  add_residuals(mod_diamond, "lresid")

ggplot(diamonds2, aes(lcarat, lresid)) + 
  geom_hex(bins = 50)
```

- 중요한 것은 이제 가격 대신 잔차를 사용하여 motivating plots을 다시 할 수 있다는 것입니다.

```{r}
ggplot(diamonds2, aes(cut, lresid)) + geom_boxplot()
ggplot(diamonds2, aes(color, lresid)) + geom_boxplot()
ggplot(diamonds2, aes(clarity, lresid)) + geom_boxplot()
```

- 우리는 우리가 기대하는 관계를 봅니다 : 다이아몬드의 품질이 높아질수록 상대적인 가격도 높아집니다. 

- y 축을 해석하기 위해, 우리는 잔차가 우리에게 말하는 것과 그것들이 어떤 스케일인지 생각할 필요가있다. 

### 24.2.2 A more complicated model

- 원한다면 모델을 계속 구축하여 관찰된 효과를 모델로 이동시켜 모델을 명시 적으로 만들 수 있습니다. 

- 예를 들어 모델에 색상, 컷 및 선명도를 포함시켜 이러한 3 가지 범주 형 변수의 효과를 명시 할 수 있습니다.

```{r}
mod_diamond2 <- lm(lprice ~ lcarat + color + cut + clarity, data = diamonds2)
```

- 이 모델에는 이제 4 개의 예측 변수가 포함되므로 시각화하는 것이 어려워집니다. 
- 다행히도, 그들은 현재 모두 독립되어 있어 4 개의 플롯으로 개별적으로 그릴 수 있습니다. 

- 프로세스를 좀더 쉽게하기 위해, 우리는 data_grid에 .model 인자를 사용할 것입니다 
```{r}
grid <- diamonds2 %>% 
  data_grid(cut, .model = mod_diamond2) %>% 
  add_predictions(mod_diamond2)
grid

ggplot(grid, aes(cut, pred)) + 
  geom_point()
```

- 모델에 명시적으로 제공하지 않은 변수가 필요한 경우 data_grid ()는 자동으로 이를 "일반"값으로 채 웁니다. 

- 연속 변수의 경우 중앙값을 사용하고 범주형 변수는 가장 일반적인 값을 사용합니다.

```{r}
diamonds2 <- diamonds2 %>% 
  add_residuals(mod_diamond2, "lresid2")

ggplot(diamonds2, aes(lcarat, lresid2)) + 
  geom_hex(bins = 50)
```

- 이 그래프는 상당히 큰 잔차가있는 일부 다이아몬드가 있음을 나타냅니다. 

- 잔차 2는 다이아몬드가 예상했던 가격의 4배라는 것을 나타냅니다. 

- 비정상적인 값을 개별적으로 보는 것이 종종 유용합니다.

```{r}
diamonds2 %>% 
  filter(abs(lresid2) > 1) %>% 
  add_predictions(mod_diamond2) %>% 
  mutate(pred = round(2 ^ pred)) %>% 
  select(price, pred, carat:table, x:z) %>% 
  arrange(price)
```

- 여기에 나와 있는 것은 없지만, 이것이 모델에 문제가 있는지 또는 데이터에 오류가 있는지를 고려해 볼 때 시간을 할 가치가 있습니다. 

- 데이터에 실수가 있는 경우 이는 잘못 낮은 가격으로 책정 된 다이아몬드를 구매할 수있는 기회가 될 수 있습니다.


### 24.2.3 Exercises (생략)

### 24.3 What affects the number of daily flights?

- 언뜻 보기에 NYC를 떠나는 항공편의 수보다 훨씬 단순한 데이터 세트에 대해서도 유사한 프로세스를 진행해 보겠습니다. 
- 이 모델은 365 개의 행과 2 개의 열만있는 아주 작은 데이터 세트입니다. 완전히 실현된 모델로 끝나지는 않을 것입니다.

- 하지만 알 수 있듯이 이 단계는 데이터를 더 잘 이해하는 데 도움이됩니다. 하루에 비행 수를 계산하고 ggplot2로 시각화 해 봅시다.

```{r}
library(nycflights13)
library(lubridate)
data(flights)
daily <- flights %>% 
  mutate(date = make_date(year, month, day)) %>% 
  group_by(date) %>% 
  summarise(n = n())
daily

ggplot(daily, aes(date, n)) + 
  geom_line()
```

### 24.3.1 Day of week

- 장기 경향을 이해하는 것은 어려운 일입니다. 

- 그 이유는 미묘한 패턴을 지배하는 매우 강한 요일 효과가 있기 때문입니다. 요일별 항공편 번호 분포를 살펴 보겠습니다.

```{r}
daily <- daily %>% 
  mutate(wday = wday(date, label = TRUE))
ggplot(daily, aes(wday, n)) + 
  geom_boxplot()
```

- 대부분의 여행은 비즈니스를 위한 것이므로 주말 항공편 수가 적습니다. 그 효과는 토요일에 특히 두드러지게 나타납니다. 

- 월요일 아침 모임을 위해 일요일에 떠나는 경우도 있지만, 토요일에 가족과 함께 집에있는 것처럼 떠나는 것은 매우 드뭅니다.

- 이 강력한 패턴을 제거하는 한 가지 방법은 모델을 사용하는 것입니다. 먼저 모델을 맞추고 원본 데이터에 예측치를 겹쳐서 표시합니다.

```{r}
mod <- lm(n ~ wday, data = daily)

grid <- daily %>% 
  data_grid(wday) %>% 
  add_predictions(mod, "n")

ggplot(daily, aes(wday, n)) + 
  geom_boxplot() +
  geom_point(data = grid, colour = "red", size = 4)
```

```{r}
daily <- daily %>% 
  add_residuals(mod)
daily %>% 
  ggplot(aes(date, resid)) + 
  geom_ref_line(h = 0) + 
  geom_line()
```

- y 축의 변화에 주목하십시오. 이제 요일에 예상되는 비행 횟수와의 편차가 표시됩니다. 

- 이 플롯은 많은 요일 효과를 제거 했으므로 남아있는 더 섬세한 패턴을 볼 수 있기 때문에 유용합니다.

- 우리 모델은 6월부터 실패 할 것으로 보입니다. 우리 모델이 포착하지 않은 강력한 규칙적인 패턴을 여전히 볼 수 있습니다. 매주 한 줄씩 줄을 그리면 그 원인을 쉽게 알 수 있습니다.

```{r}
ggplot(daily, aes(date, resid, colour = wday)) + 
  geom_ref_line(h = 0) + 
  geom_line()
```

- 우리 모델은 토요일에 비행 횟수를 정확히 예측하지 못합니다.

- 여름에는 예상보다 많은 항공편이 있고, 가을에는 더 적은 항공편이 있습니다. 다음 섹션에서이 패턴을 캡처하는 방법을 더 잘 이해할 수 있습니다.

- 예상보다 훨씬 적은 항공편으로 수 일이 있습니다.

```{r}
daily %>% 
  filter(resid < -100)
```

- 미국의 공휴일에 익숙하다면 7 월 4 일, 추수 감사절과 크리스마스를 볼 수 있습니다. 

- 공휴일과 일치하지 않는 것 몇 가지가 있습니다. 연습 문제 중 하나에서 작업 할 것입니다.

- 1 년 동안 장기간에 걸쳐보다 매끄러운 추세가 나타납니다. geom_smooth ()를 사용하여 이러한 추세를 강조 할 수 있습니다.

```{r}
daily %>% 
  ggplot(aes(date, resid)) + 
  geom_ref_line(h = 0) + 
  geom_line(colour = "grey50") + 
  geom_smooth(se = FALSE, span = 0.20)

```

- 1 월 (12 월 에는 항공편이 더 적고 여름 (5 월 -9 월)에는 더 많은 항공편이 있습니다. 

- 우리는 단지 1 년의 데이터 만 가지고 있기 때문에이 패턴을 정량적으로 많이 할 수 없습니다. 그러나 우리는 도메인 지식을 사용하여 잠재적 설명을 브레인 스토밍 할 수 있습니다.

### 24.3.2 Seasonal Saturday effect

- 먼저 토요일에 비행 횟수를 정확하게 예측하지 못하게 하십시오. 시작하기 좋은 곳은 토요일에 초점을 맞추어 원시 번호로 돌아가는 것입니다.

```{r}
daily %>% 
  filter(wday == "Sat") %>% 
  ggplot(aes(date, n)) + 
    geom_point() + 
    geom_line() +
    scale_x_date(NULL, date_breaks = "1 month", date_labels = "%b")
```

- (데이터와 보간이 무엇인지 명확하게 하기 위해 점과 선을 모두 사용했습니다.)

- 나는 이 패턴이 여름 휴가로 인해 일어난다고 생각합니다 : 많은 사람들이 여름에 휴가를 가지며 사람들은 휴가를 위해 토요일 여행을 꺼려하지 않습니다. 

- 이 음모를 보면 여름 휴가가 6 월 초에서 8 월 말까지라고 추측 할 수 있습니다. 2013 년 여름 방학은 6 월 26-9 월 9 일이었습니다.

- 봄에 가을보다 가을에 토요일 비행이 더 많은 이유는 무엇입니까? 나는 미국인 친구들에게 물었고 추수 감사절과 크리스마스 휴가 때문에 가을 동안 가족 휴가를 계획하는 것이 덜 일반적이라고 제안했다. 우리는 확실히 알 수있는 데이터가 없지만 그럴듯한 작업 가설처럼 보입니다.

- 대략 세 가지 용어를 포착하는 "term" 변수를 만들고, 우리의 작업을 음모로 확인하십시오.

```{r}
term <- function(date) {
  cut(date, 
    breaks = ymd(20130101, 20130605, 20130825, 20140101),
    labels = c("spring", "summer", "fall") 
  )
}

daily <- daily %>% 
  mutate(term = term(date)) 

daily %>% 
  filter(wday == "Sat") %>% 
  ggplot(aes(date, n, colour = term)) +
  geom_point(alpha = 1/3) + 
  geom_line() +
  scale_x_date(NULL, date_breaks = "1 month", date_labels = "%b")
```

- (나는 플롯에서 좋은 휴식을 취하기 위해 수동으로 날짜를 조정했다. 시각화를 사용하여 함수가하는 일을 이해하는 데 도움이되는 것은 정말 강력하고 일반적인 기술이다.)

- 이 새로운 변수가 다른 요일에 어떤 영향을 주는지 확인하는 것이 유용합니다.

```{r}
daily %>% 
  ggplot(aes(wday, n, colour = term)) +
    geom_boxplot()
```

- 용어 전반에 걸쳐 큰 변동이 있는 것처럼 보이므로 각 용어에 대해 요일별 효과를 적용하는 것이 합리적입니다. 

- 이것은 우리의 모델을 향상 시키지만, 우리가 바라는 것만 큼은 아닙니다.

```{r}
daily <- daily %>% 
  mutate(term = term(date)) 

mod1 <- lm(n ~ wday, data = daily)
mod2 <- lm(n ~ wday * term, data = daily)

daily %>% 
  gather_residuals(without_term = mod1, with_term = mod2) %>% 
  ggplot(aes(date, resid, colour = model)) +
    geom_line(alpha = 0.75)
```

- 모델의 예측을 원시 데이터에 겹쳐서 문제를 볼 수 있습니다.

```{r}
grid <- daily %>% 
  data_grid(wday, term) %>% 
  add_predictions(mod2, "n")

ggplot(daily, aes(wday, n)) +
  geom_boxplot() + 
  geom_point(data = grid, colour = "red") + 
  facet_wrap(~ term)
```

- 우리의 모델은 평균 효과를 찾는 것이지만 우리는 큰 이상 치를 많이 가지고 있으므로 평균은 전형적인 값에서 멀리 떨어지는 경향이 있습니다. 

- rlm ()을 사용하면 이 문제를 해결할 수 있습니다. 이것은 outliers의 추정치에 대한 영향을 크게 줄이고 요일 패턴을 제거하는 훌륭한 작업을 수행하는 모델을 제공합니다.

```{r}
mod3 <- MASS::rlm(n ~ wday * term, data = daily)

daily %>% 
  add_residuals(mod3, "resid") %>% 
  ggplot(aes(date, resid)) + 
  geom_hline(yintercept = 0, size = 2, colour = "white") + 
  geom_line()
```

- 장기적인 추세와 긍정적인 것과 부정적인 이상치를 보는 것이 훨씬 쉬워졌습니다.

### 24.3.3 Computed variables

- 많은 모델과 많은 시각화를 실험하고 있다면 변수 생성을 

- 하나의 함수로 묶어 서로 다른 변환을 우연히 적용 할 기회가없는 것이 좋습니다. 예를 들어 다음과 같이 쓸 수 있습니다.

```{r}
compute_vars <- function(data) {
  data %>% 
    mutate(
      term = term(date), 
      wday = wday(date, label = TRUE)
    )
}
```

- 또 다른 옵션은 변환을 모델 수식에 직접 넣는 것입니다.

```{r}
wday2 <- function(x) wday(x, label = TRUE)
mod3 <- lm(n ~ wday2(date) * term(date), data = daily)
```

- 두 방법 모두 합리적인 방법입니다. 변형 된 변수를 명시 적으로 만드는 것은 작업을 확인하거나 시각화에 사용하려는 경우 유용합니다. 

- 그러나 여러 열을 반환하는 변형 (예 : 스플라인)을 쉽게 사용할 수 없습니다. 

- 모델 함수에 변형을 포함 시키면 모델이 자체 포함되어 있기 때문에 많은 다른 데이터 세트로 작업 할 때 좀 더 편하게 사용할 수 있습니다.


### 24.3.4 Time of year: an alternative approach

- 이전 섹션에서는 모델 개선을 위해 도메인 지식 (미국 학교 용어가 여행에 미치는 영향)을 사용했습니다.

- 모델에서 명시 적으로 지식을 사용하는 대신 데이터에 더 많은 대화 공간을 제공 할 수 있습니다. 

- 더 유연한 모델을 사용하여 관심있는 패턴을 캡처 할 수 있습니다. 간단한 선형 추세가 적합하지 않으므로 자연스러운 스플라인을 사용하여 일년 내내 매끄러운 곡선을 만들 수 있습니다.

```{r}
library(splines)
mod <- MASS::rlm(n ~ wday * ns(date, 5), data = daily)

daily %>% 
  data_grid(wday, date = seq_range(date, n = 13)) %>% 
  add_predictions(mod) %>% 
  ggplot(aes(date, pred, colour = wday)) + 
    geom_line() +
    geom_point()
```

- 우리는 토요일 비행 횟수에 강한 패턴을 보았습니다. 우리는 원시 데이터에서 그 패턴을 보았기 때문에 안심할 수 있습니다. 다른 접근법에서 같은 신호를 얻으면 좋은 신호입니다.

### 24.3.5 Exercises (생략)

### 24.4 Learning more about models

- 우리는 모델링의 절대적인 면만 썼지만, 사용자가 자신의 데이터 분석을 향상시키는 데 사용할 수있는 단순하지만 일반적인 목적의 도구를 얻었기를 바랍니다. 간단하게 시작하는 것이 좋습니다! 

- 이전에 보았 듯이 매우 단순한 모델조차도 변수간의 상호 작용을 알아내는 능력에 큰 차이를 만들 수 있습니다.

- 이 모델링 챕터는 나머지 책보다 훨씬 더 독창적입니다. 

- 나는 다소 다른 관점에서 대부분의 다른 관점으로 모델링에 접근하며, 그것에 대해 상대적으로 공간이 거의 없다. 모델링은 실제로 독자적으로 책을받을 자격이 있으므로,이 세 권의 책 중 적어도 하나를 읽는 것이 좋습니다.

1. Statistical Modeling: A Fresh Approach by Danny Kaplan, http://www.mosaic-web.org/go/StatisticalModeling/.

2. An Introduction to Statistical Learning by Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, http://www-bcf.usc.edu/~gareth/ISL/ 

3. Applied Predictive Modeling by Max Kuhn and Kjell Johnson, http://appliedpredictivemodeling.com

## 25. Many models

### 25.1 Introduction

- 이 장에서는 많은 수의 모델을 쉽게 사용할 수 있도록 도와주는 세 가지 강력한 아이디어를 학습합니다.

- 많은 간단한 모델을 사용하여 복잡한 데이터 세트를 더 잘 이해합니다.

- list-columns를 사용하여 임의의 데이터 구조를 데이터 프레임에 저장합니다. 예를 들어 선형 모델을 포함하는 열을 가질 수 있습니다.

- David Robinson의 broom 패키지를 사용하여 모델을 깔끔한 데이터로 변환합니다. 많은 양의 모델로 작업하기위한 강력한 기술입니다. 일단 깔끔한 데이터가 있으면 이전에 배운 모든 기술을 적용 할 수 있기 때문입니다.

- 우리는 전세계의 평균 수명에 관한 데이터를 사용하여 동기 부여의 예제로 뛰어들 것으로 시작합니다. 

- 작은 데이터 세트이지만 시각화를 향상시키는 데 모델링이 얼마나 중요한지 보여줍니다. 

- 우리는 많은 수의 간단한 모델을 사용하여 가장 강력한 신호를 분할하여 남아있는 더 약한 신호를 볼 수 있습니다. 

- 모델 요약을 통해 우리가 특이 치와 비정상적인 경향을 파악하는 데 도움을 줄 수있는 방법도 살펴 봅니다.

- 다음 섹션에서는 개별 기술에 대해 자세히 설명합니다.

- 목록 열 데이터 구조 및 데이터 프레임에 목록을 넣는 것이 타당한 이유에 대해 자세히 배웁니다.

- 목록 열 작성에서 목록 열을 작성하는 세 가지 주요 방법을 학습합니다.

- 목록 열을 단순화 할 때 목록 열을 일반 원자 벡터 (또는 원자 벡터 집합)로 다시 변환하여보다 쉽게 작업 할 수 있도록하는 방법을 배웁니다.

- broom로 깔끔한 데이터를 만들 때, broom이제공하는 모든 도구 세트에 대해 배우고 다른 유형의 데이터 구조에 어떻게 적용 할 수 있는지 살펴 봅니다.

- 이 장은 다소 포부가 있습니다.이 책이 R에 대한 첫 번째 소개 인 경우 이 장은 어려울 것입니다. 모델링, 데이터 구조 및 반복에 대한 아이디어를 깊이 내면화해야합니다. 

- 당신이 그것을 얻지 못한다면 걱정하지 마십시오. 단지 몇 달 동안이 장을 제쳐두고 머리를 펴고 싶을 때 다시 오십시오.

### 25.1.1 Prerequisites

- 많은 모델로 작업하는 것은 모델링을 용이하게하기 위해 tidyverse (데이터 탐색, 논쟁 및 프로그래밍) 및 modelr 패키지의 많은 패키지를 필요로합니다.

```{r}
library(modelr)
library(tidyverse)
```

### 25.2 gapminder

- 많은 간단한 모델의 힘을 유도하기 위해 "gapminder"데이터를 살펴볼 것입니다. 

- 이 데이터는 스웨덴의 의사이자 통계 학자 인 Hans Rosling에 의해 대중화되었습니다. 너는 그 사람에 대해 들어 본 적이 없다면, 지금 당장이 장을 읽지 말고 그의 비디오를 보아라. 

- 그는 환상적인 데이터 발표자이며 데이터를 사용하여 매력적인 이야기를 표현하는 방법을 보여줍니다. 시작하기 좋은 곳은 BBC와 공동으로 촬영 한 짧은 동영상입니다. https://www.youtube.com/watch?v=jbkSRLYSojo.

- gapminder 데이터는 기대 수명과 GDP와 같은 통계를보고 시간 경과에 따른 국가의 진행을 요약합니다. gapminder 패키지를 만든 Jenny Bryan 덕분에 데이터는 R에서 쉽게 액세스 할 수 있습니다.

```{r}
library(gapminder)
gapminder
```

- 이 사례 연구에서 우리는 "각 국가 (국가)에 대한 기대 수명 (lifeExp)이 시간에 따라 어떻게 변하는가?"라는 질문에 답하기 위해 세 가지 변수에만 초점을 맞출 것입니다. 시작하기 좋은 곳은 줄거리입니다.

```{r}
gapminder %>% 
  ggplot(aes(year, lifeExp, group = country)) +
    geom_line(alpha = 1/3)
```

- 이것은 작은 데이터 세트입니다. 단지 1,700 개의 관측치와 3 개의 변수 만 있습니다. 

- 그러나 계속 진행되는 것을 보기가 여전히 어렵습니다! 전반적으로 기대 수명이 꾸준히 개선되고있는 것처럼 보입니다. 
- 그러나 자세히 살펴보면 이 패턴을 따르지 않는 국가가 있음을 알 수 있습니다. 우리는 어떻게 이들 국가를보다 쉽게 볼 수 있습니까?

- 한 가지 방법은 지난 장에서와 동일한 접근법을 사용하는 것입니다. 

- 더 세밀한 추세를 보지 못하게하는 강력한 신호 (전반적인 선형 성장)가 있습니다. 우리는 선형 추세를 가진 모델을 피팅함으로써 이러한 요소들을 구분할 것입니다. 이 모델은 시간이 지남에 따라 꾸준히 성장하고 나머지는 남아있는 것을 보여줍니다.

- 당신은 이미 우리가 하나의 국가를 가졌다면 그것을하는 법을 알고 있습니다

```{r}
nz <- filter(gapminder, country == "New Zealand")
nz %>% 
  ggplot(aes(year, lifeExp)) + 
  geom_line() + 
  ggtitle("Full data = ")

nz_mod <- lm(lifeExp ~ year, data = nz)
nz %>% 
  add_predictions(nz_mod) %>%
  ggplot(aes(year, pred)) + 
  geom_line() + 
  ggtitle("Linear trend + ")

nz %>% 
  add_residuals(nz_mod) %>% 
  ggplot(aes(year, resid)) + 
  geom_hline(yintercept = 0, colour = "white", size = 3) + 
  geom_line() + 
  ggtitle("Remaining pattern")
```

### 25.2.1 Nested data

- 이 코드를 여러 번 복사하여 붙여 넣는 것을 상상해보십시오. 그러나 당신은 이미 더 나은 방법을 배웠습니다! 

- 함수로 공통 코드를 추출하고 purrr의 map 함수를 사용하여 반복합니다. 이 문제는 이전에 본 것과 약간 다르게 구성됩니다. 

- 각 변수에 대해 액션을 반복하는 대신, 행의 하위 집합 인 각 국가에 대해 액션을 반복합니다. 그렇게하기 위해서는 새로운 데이터 구조 인 중첩 된 데이터 프레임이 필요합니다. 

- 중첩 된 데이터 프레임을 만들려면 그룹화 된 데이터 프레임으로 시작하여 "중첩"합니다.

```{r}
by_country <- gapminder %>% 
  group_by(country, continent) %>% 
  nest()

by_country
```

- (나는 대륙과 국가를 구분하여 조금씩 부정하고있다. 주어진 국가, 대륙은 고정되어 있으므로 더 이상 그룹을 추가하지 않지만 추가 변수를 타고 쉽게 탈 수있다.)

- 이렇게하면 그룹당 하나의 행 (국가 별)과 약간 특이한 열 (데이터)이있는 데이터 프레임이 만들어집니다. 

- 데이터는 데이터 프레임 (또는 정확한 것)의 목록입니다. 이것은 미친 아이디어처럼 보입니다. 

- 우리는 다른 데이터 프레임의 목록 인 열이있는 데이터 프레임을 가지고 있습니다! 

- 나는 이것이 왜 좋은 생각이라고 생각하는지 곧 설명 할 것이다.

- 데이터 열은 다소 복잡하기 때문에 보기가 까다 롭습니다. 우리는 여전히 이러한 개체를 탐색하는 데 유용한 도구를 사용하고 있습니다. 

- 불행히도 str ()을 사용하는 것은 권장하지 않습니다. 왜냐하면 종종 매우 긴 출력을 생성하기 때문입니다. 

- 그러나 데이터 열에서 단일 요소를 뽑으면 해당 국가 (이 경우 아프가니스탄)의 모든 데이터가 포함되어 있음을 알 수 있습니다.

```{r}
by_country$data[[1]]
```

- 표준 그룹화 된 데이터 프레임과 중첩 된 데이터 프레임의 차이점에 유의하십시오. 

- 그룹화 된 데이터 프레임에서 각 행은 관찰입니다. 중첩 된 데이터 프레임에서 각 행은 그룹입니다. 

- 중첩 된 데이터 세트에 대해 생각해 볼 수있는 또 다른 방법은 이제 메타 뷰를 얻는 것입니다. 

- 하나의 시점이 아닌 국가의 전체 시간 코스를 나타내는 행입니다.

### 25.2.2 List-columns

- 이제 중첩 된 데이터 프레임이 생겨서 일부 모델을 적합하게 만들 수 있습니다. 모델 적합 함수가 있습니다.

- 그리고 모든 데이터 프레임에 적용하려고합니다. 데이터 프레임은 목록에 있으므로 purrr :: map ()을 사용하여 각 요소에 country_model을 적용 할 수 있습니다.

```{r}
country_model <- function(df) {
  lm(lifeExp ~ year, data = df)
}

models <- map(by_country$data, country_model)
```

- 그러나 모델 목록을 자유롭게 떠 다니는 개체로 남겨두기보다는 by_country 데이터 프레임에 열로 저장하는 것이 더 좋습니다. 

- 관련 객체를 열에 저장하는 것은 데이터 프레임의 핵심 부분이며 왜 목록 열이 그렇게 좋은 생각인지 생각합니다. 

- 이 국가들과 일하는 과정에서 우리는 국가마다 요소가 하나씩있는 많은 목록을 갖게 될 것입니다. 

- 그렇다면 이 모든 것을 하나의 데이터 프레임에 모두 저장하지 않는 이유는 무엇입니까?

- 다시 말해 전역 환경에서 새 객체를 만드는 대신 by_country 데이터 프레임에 새 변수를 만들 것입니다. dplyr :: mutate ()에 대한 작업입니다.

```{r}

by_country <- by_country %>% 
  mutate(model = map(data, country_model))
by_country
```

- 이는 모든 장점이 있습니다. 왜냐하면 모든 관련 오브젝트가 함께 저장되기 때문에 필터링하거나 정렬 할 때 수동으로 동기화 할 필요가 없습니다. 

- 데이터 프레임의 의미는 다음과 같이 처리합니다.

```{r}
by_country %>% 
  filter(continent == "Europe")

by_country %>% 
  arrange(continent, country)
```

- 데이터 프레임 목록과 모델 목록이 별개의 객체 인 경우 하나의 벡터를 재정렬하거나 하위 집합 할 때마다 모든 벡터 객체를 재정렬하거나 하위 집합을 동기화하여 동기화 상태로 유지해야한다는 점을 기억해야합니다. 

- 잊어 버리면 코드는 계속 작동하지만 잘못된 대답을 줄 것입니다.

### 25.2.3 Unnesting

- 이전에는 단일 데이터 세트로 단일 모델의 잔차를 계산했습니다.

- 이제 142 개의 데이터 프레임과 142 개의 모델이 있습니다. 잔차를 계산하려면 add_residuals ()를 각 모델 - 데이터 쌍과 함께 호출해야합니다.

```{r}
by_country <- by_country %>% 
  mutate(
    resids = map2(data, model, add_residuals)
  )
by_country
```

- 그러나 데이터 프레임 목록을 어떻게 그릴 수 있습니까? 

- 그 질문에 답하기 위해 고군분투하는 대신, 데이터 프레임 목록을 일반 데이터 프레임으로 돌려 보겠습니다. 

- 이전에는 일반 데이터 프레임을 중첩 데이터 프레임으로 바꾸기 위해 nest ()를 사용했으며 이제는 unnest ()와 반대의 작업을 수행합니다.

```{r}
resids <- unnest(by_country, resids)
resids
```

- 각 일반 열은 중첩 열의 각 행마다 하나씩 반복됩니다.

- 이제 우리는 정규 데이터 프레임을 가지고 있습니다. 잔차를 그릴 수 있습니다.

```{r}
resids %>% 
  ggplot(aes(year, resid)) +
    geom_line(aes(group = country), alpha = 1 / 3) + 
    geom_smooth(se = FALSE)
#> `geom_smooth()` using method = 'gam'
```

- 대륙 별 facetting은 특히 드러납니다 :

```{r}
resids %>% 
  ggplot(aes(year, resid, group = country)) +
    geom_line(alpha = 1 / 3) + 
    facet_wrap(~continent)
```

- 가벼운 패턴을 놓친 것처럼 보입니다. 아프리카에서도 계속 진행중인 흥미로운 점이 있습니다. 매우 큰 잔차가 있음을 알 수 있습니다. 

- 이는 우리 모델이 거기에서 잘 맞지 않는다는 것을 의미합니다. 우리는 다음 섹션에서 좀 더 다른 각도에서 공격 해 보겠습니다.

### 25.2.4 Model quality

- 모델에서 잔차를 보는 대신 모델 품질에 대한 일반적인 측정을 볼 수 있습니다. 

- 이전 장에서 몇 가지 구체적인 측정 방법을 배웠습니다. 여기에서는 broom 패키지를 사용하는 다른 접근 방법을 보여줍니다. 

- broom 꾸러미는 모델을 깔끔한 데이터로 바꾸기위한 일반적인 기능 세트를 제공합니다. 

- 여기서는 broom :: glance ()를 사용하여 일부 모델 품질 메트릭을 추출합니다. 

- 모델에 적용하면 단일 행이있는 데이터 프레임이 생성됩니다.

```{r}
broom::glance(nz_mod)
```

```{r}
by_country %>% 
  mutate(glance = map(model, broom::glance)) %>% 
  unnest(glance)
```

- 여전히 모든 목록 열을 포함하기 때문에 우리가 원하는 결과물이 아닙니다. unnest ()가 단일 행 데이터 프레임에서 작동 할 때의 기본 동작입니다. 이 열을 억제하려면 .drop = TRUE를 사용합니다.

```{r}
glance <- by_country %>% 
  mutate(glance = map(model, broom::glance)) %>% 
  unnest(glance, .drop = TRUE)
glance
```

- (인쇄되지 않은 변수에주의를 기울이십시오. 유용한 정보가 많이 있습니다.)

- 이 데이터 프레임을 사용하면 잘 맞지 않는 모델을 찾을 수 있습니다.

```{r}
glance %>% 
  arrange(r.squared)
```

- 최악의 모델은 모두 아프리카에있는 것처럼 보입니다. 

- 그걸 플롯으로 두 번 확인해 봅시다. 여기에는 상대적으로 적은 수의 관측 값과 이산 변수가 있으므로 geom_jitter ()가 효과적입니다.

```{r}
glance %>% 
  ggplot(aes(continent, r.squared)) + 
    geom_jitter(width = 0.5)
```

- We could pull out the countries with particularly bad R2 and plot the data:

```{r}
bad_fit <- filter(glance, r.squared < 0.25)

gapminder %>% 
  semi_join(bad_fit, by = "country") %>% 
  ggplot(aes(year, lifeExp, colour = country)) +
    geom_line()
```

- 우리는 HIV / AIDS 전염병과 르완다 대량 학살의 비극이라는 두 가지 주요 효과를 여기에서 보았습니다.

### 25.2.5 Exercises (생략)

### 25.3 List-columns

- 이제는 여러 모델을 관리하기 위한 기본 워크 플로를 보았으므로 몇 가지 세부 사항으로 돌아가 보겠습니다. 

- 이 섹션에서는 목록 열 데이터 구조에 대해 좀 더 자세히 살펴 보겠습니다. 

- 최근에 나는 목록 열에 대한 아이디어를 정말로 높이 평가했습니다. 목록 - 열은 데이터 프레임의 정의에 내포되어 있습니다. 

- 데이터 프레임은 동일한 길이 벡터의 명명 된 목록입니다. 

- 목록은 벡터이므로 목록을 
데이터 프레임의 열로 사용하는 것이 항상 올바른 방법입니다. 

- 그러나 기본 R은 목록 열을 쉽게 만들 수 없으며 data.frame ()은 목록을 열 목록으로 처리합니다.
```{r}
data.frame(x = list(1:3, 3:5))
```

```{r}
data.frame(
  x = I(list(1:3, 3:5)), 
  y = c("1, 2", "3, 4, 5")
)
```

- Tibble은 lazier (tibble ()이 입력을 수정하지 않음) 및 더 나은 인쇄 방법을 제공하여이 문제를 완화합니다.

```{r}
tibble(
  x = list(1:3, 3:5), 
  y = c("1, 2", "3, 4, 5")
)
```

```{r}
tribble(
   ~x, ~y,
  1:3, "1, 2",
  3:5, "3, 4, 5"
)
```

- 목록 - 열은 종종 중간 데이터 구조로 가장 유용합니다. 

- 대부분의 R 함수는 원자 벡터 또는 데이터 프레임에서 작동하기 때문에 직접 작업하기가 어렵지만 관련 항목을 데이터 프레임에 유지하는 이점은 약간의 번거 로움이 따릅니다.

- 일반적으로 효과적인 목록 - 열 파이프 라인의 세 부분이 있습니다.

- list-columns 만들기에 설명 된 것처럼 nest (), summarize () + list () 또는 mutate () + map 함수 중 하나를 사용하여 list-column을 만듭니다.

- map (), map2 () 또는 pmap ()을 사용하여 기존 목록 열을 변형하여 다른 중간 목록 열을 작성합니다. 

- 예를 들어, 위의 사례 연구에서 데이터 프레임의 목록 - 열을 변형하여 모델의 목록 - 열을 만들었습니다.

- 목록 열 단순화에서 설명한대로 목록 열을 데이터 프레임 또는 원자 벡터로 다시 단순화합니다.

### 25.4 Creating list-columns

- 일반적으로 tibble ()을 사용하여 목록 열을 만들지 않습니다. 

- 대신 다음 세 가지 방법 중 하나를 사용하여 일반 열에서 생성합니다.

- tidyr :: nest ()를 사용하여 그룹화 된 데이터 프레임을 데이터 프레임 목록 - 열이있는 중첩 데이터 프레임으로 변환합니다.

- mutate () 및 벡터화 된 함수를 사용하여 목록을 반환합니다.

- 여러 결과를 반환하는 summarize () 및 요약 함수.

- 또는 tibble :: enframe ()을 사용하여 명명 된 목록에서 생성 할 수도 있습니다.

- 일반적으로 목록 열을 만들 때 동질성인지 확인해야합니다. 각 요소에는 동일한 유형의 것이 포함되어야합니다. 

- 이것이 사실인지 확인하는 검사는 없지만, purrr을 사용하고 타입 안정 함수에 대해 배운 것을 기억한다면, 자연스럽게 발견되어야합니다.

### 25.4.1 With nesting

- nest ()는 데이터 프레임의 목록 열이있는 데이터 프레임 인 중첩 데이터 프레임을 만듭니다.

- 중첩 된 데이터 프레임에서 각 행은 메타 관측입니다. 다른 열은 관측을 정의하는 변수 (위의 국가 및 대륙과 같은)를 제공하고 데이터 프레임의 목록 열은 메타 관측을 구성하는 개별 관측을 제공합니다.

- nest ()를 사용하는 두 가지 방법이 있습니다. 

- 지금까지 그룹화 된 데이터 프레임과 함께 사용하는 방법을 살펴 보았습니다. 그룹화 된 데이터 프레임에 적용되면 nest ()는 그룹화 열을 그대로 유지하고 그 외 모든 항목을 list-column에 묶습니다.

```{r}
gapminder %>% 
  group_by(country, continent) %>% 
  nest()
```

- 또한 그룹화되지 않은 데이터 프레임에이 열을 사용하여 중첩 할 열을 지정할 수 있습니다.

```{r}
gapminder %>% 
  nest(year:gdpPercap)
```

### 25.4.2 From vectorised functions

- 유용한 함수 중 일부는 원자 벡터를 사용하여 목록을 반환합니다. 

- 예를 들어, 문자열에서 문자 벡터를 취하고 문자 벡터 목록을 반환하는 stringr :: str_split ()에 대해 배웠습니다.

- mutate 내부에서 이를 사용하면 list-column을 얻을 수 있습니다.

```{r}
df <- tribble(
  ~x1,
  "a,b,c", 
  "d,e,f,g"
) 

df %>% 
  mutate(x2 = stringr::str_split(x1, ","))

```

```{r}
df %>% 
  mutate(x2 = stringr::str_split(x1, ",")) %>% 
  unnest()
```

- (이 패턴을 많이 사용하는 경우,이 공통 패턴을 감싸는 래퍼 인 tidyr : separate_rows ()를 확인하십시오.

- 이 패턴의 다른 예는 purrr에서 map (), map2 (), pmap ()을 사용하는 것입니다. 예를 들어, 다른 함수를 호출하여 마지막 예제를 가져 와서 mutate ()를 사용하도록 다시 작성할 수 있습니다.

```{r}
sim <- tribble(
  ~f,      ~params,
  "runif", list(min = -1, max = -1),
  "rnorm", list(sd = 5),
  "rpois", list(lambda = 10)
)

sim %>%
  mutate(sims = invoke_map(f, params, n = 10))

```

- 기술적으로 sim은 두 배와 정수 벡터를 모두 포함하고 있기 때문에 균질하지 않습니다. 

- 그러나 정수 및 복식은 모두 숫자 벡터이므로 많은 문제가 발생하지는 않습니다.

### 25.4.3 From multivalued summaries

- summarize ()의 한 가지 제한 사항은 단일 값을 리턴하는 요약 함수에서만 작동한다는 것입니다. 

- 즉, 임의의 길이의 벡터를 리턴하는 quantile ()과 같은 함수와 함께 사용할 수 없다는 것을 의미합니다.

```{r}
mtcars %>% 
  group_by(cyl) %>% 
  summarise(q = quantile(mpg))
```

- 그러나 목록에 결과를 래핑 할 수는 있습니다. 이것은 각 요약이 이제 길이 1의 목록 (벡터)이므로 summarize ()의 계약을 따릅니다.

```{r}
mtcars %>% 
  group_by(cyl) %>% 
  summarise(q = list(quantile(mpg)))

```

- 불충분 한 결과를 얻으려면 다음과 같은 가능성을 포착해야합니다.

```{r}
probs <- c(0.01, 0.25, 0.5, 0.75, 0.99)
mtcars %>% 
  group_by(cyl) %>% 
  summarise(p = list(probs), q = list(quantile(mpg, probs))) %>% 
  unnest()
```

### 25.4.4 From a named list

- 목록 열이있는 데이터 프레임은 일반적인 문제에 대한 해결책을 제공합니다. 

- 목록의 내용과 해당 요소를 반복 할 경우 어떻게합니까? 모든 것을 하나의 객체로 묶는 대신 데이터 프레임을 만드는 것이 더 쉽습니다. 

- 한 열에는 요소가 포함될 수 있고 한 열에는 목록이 포함될 수 있습니다. 

- 목록에서 그러한 데이터 프레임을 생성하는 쉬운 방법은 tibble :: enframe ()입니다.

```{r}
x <- list(
  a = 1:5,
  b = 3:4, 
  c = 5:6
) 

df <- enframe(x)
df
```

- 이 구조의 장점은 간단합니다. 이름은 메타 데이터의 문자 벡터가 있으면 유용하지만 다른 유형의 데이터가 있거나 여러 벡터가 있으면 도움이 되지 않습니다.

- 이제 이름과 값을 병렬로 반복하려는 경우 map2()를 사용할 수 있습니다.

```{r}
df %>% 
  mutate(
    smry = map2_chr(name, value, ~ stringr::str_c(.x, ": ", .y[1]))
  )
```

### 25.4.5 Exercises (생략)

### 25.5 Simplifying list-columns

- 이 책에서 배웠던 데이터 조작 및 시각화 기술을 적용하려면 list-column을 일반 열 (원자 벡터) 또는 열 집합으로 다시 단순화해야합니다. 

- 더 간단한 구조로 다시 축소하기 위해 사용하는 기술은 요소 당 하나의 값 또는 여러 값 중 원하는 값에 따라 다릅니다.

- 단일 값을 원할 경우 map_lgl (), map_int (), map_dbl () 및 map_chr ()에 mutate ()를 사용하여 원자 벡터를 만듭니다.

- 많은 값을 원하면 unnest ()를 사용하여 목록 열을 일반 열로 다시 변환하고 필요한만큼 행을 반복하십시오.

### 25.5.1 List to vector

- 목록 열을 원자 벡터로 줄일 수 있으면 일반 열이됩니다. 예를 들어, 타입과 길이를 가진 객체를 항상 요약 할 수 있으므로,이 코드는 여러분이 가지고있는 list-column의 종류에 관계없이 작동합니다 :

```{r}
df <- tribble(
  ~x,
  letters[1:5],
  1:3,
  runif(5)
)
  
df %>% mutate(
  type = map_chr(x, typeof),
  length = map_int(x, length)
)
```

- 이것은 기본 tbl 인쇄 방법에서 얻은 기본 정보와 동일하지만 필터링을 위해 사용할 수 있습니다.

- 이기종 목록을 가지고 있고 그 부분을 걸러 내고 싶다면 유용한 기법입니다.

- 지도 _ * () 단축키를 잊지 마세요. map_chr (x, "apple")을 사용하여 x의 각 요소에 대해 apple에 저장된 문자열을 추출 할 수 있습니다. 

- 중첩 된 목록을 일반 열로 끌어 올 때 유용합니다. null를 반환하는 대신 요소가 누락 된 경우 사용할 값을 제공하려면 .null 인수를 사용하십시오.

```{r}
df <- tribble(
  ~x,
  list(a = 1, b = 2),
  list(a = 2, c = 4)
)
df %>% mutate(
  a = map_dbl(x, "a"),
  b = map_dbl(x, "b", .null = NA_real_)
)
```

### 25.5.2 Unnesting

- unnest ()는 list-column의 각 요소에 대해 한 번씩 일반 열을 반복하여 작동합니다. 예를 들어, 다음의 아주 간단한 예제에서 첫 번째 행을 4 번 반복합니다 (y의 첫 번째 요소는 길이가 4이므로). 두 번째 행은 한 번만 반복합니다.

```{r}
tibble(x = 1:2, y = list(1:4, 1)) %>% unnest(y)
```

- 즉, 다른 수의 요소가 포함 된 두 개의 열을 동시에 중첩 해제 할 수 없습니다.

```{r}
df1 <- tribble(
  ~x, ~y,           ~z,
   1, c("a", "b"), 1:2,
   2, "c",           3
)
df1

df1 %>% unnest(y, z)

df2 <- tribble(
  ~x, ~y,           ~z,
   1, "a",         1:2,  
   2, c("b", "c"),   3
)
df2

#df2 %>% unnest(y, z)
```

- 데이터 프레임의 목록 열을 괄호에 넣을 때도 동일한 원칙이 적용됩니다. 각 행의 모든 데이터 프레임이 같은 수의 행을 가진 한 여러 list-col을 중첩 할 수 있습니다.

### 25.5.3 Exercises (생략)

### 25.6 Making tidy data with broom

- broom 패키지는 모델을 깔끔한 데이터 프레임으로 바꾸기위한 세 가지 일반적인 도구를 제공합니다.

- broom :: glance (model) 각 모델에 대한 행을 반환합니다. 각 열은 모델 요약을 제공합니다. 모델 요약 또는 모델 복잡성 또는 둘의 조합입니다.

- broom :: tidy (model) 모델의 각 계수에 대한 행을 반환합니다. 각 열은 추정치 또는 그 변동성에 대한 정보를 제공합니다.

- broom :: augment (model, data)는 데이터의 각 행에 대해 행을 반환하고 잔여와 같은 추가 값을 추가하며 통계에 영향을 줍니다.